PRÉLIMINAIRES

I. Épistémologie et Enjeux Scientifiques du Domaine

Née des impératifs logistiques de la Seconde Guerre mondiale, la recherche opérationnelle (RO) s’est imposée comme la science de la décision optimale. Elle transforme les problèmes complexes de gestion en modèles mathématiques rigoureux, permettant de maximiser l’efficience sous contraintes. Son épistémologie repose sur une hybridation puissante entre la statistique, l’informatique et l’économie. L’enjeu contemporain, particulièrement en Afrique, est de dépasser les modèles théoriques pour les adapter aux environnements de données rares, d’infrastructures volatiles et de logiques informelles, faisant de la RO un levier stratégique de développement.

II. Cartographie des Compétences et Transversalité

Cette unité d’enseignement forge une triple compétence au carrefour des mathématiques appliquées et de la gestion stratégique. L’optimisation des stocks irrigue directement la finance d’entreprise et la logistique ; la théorie des graphes structure la pensée des ingénieurs réseau, des urbanistes et des planificateurs de production ; l’analyse des files d’attente est cruciale pour le secteur tertiaire (banques, télécoms, services publics). Ces savoirs ne sont pas cloisonnés. Ils constituent un socle méthodologique unifié pour l’analyste capable de modéliser, simuler et optimiser tout flux, qu’il soit matériel, informationnel ou humain.

III. Alignement Stratégique avec les Réalités Opérationnelles

La maîtrise des outils de la recherche opérationnelle répond à un besoin criant des économies en phase de structuration. Pour un gestionnaire de flux logistiques en RDC, optimiser un itinéraire de livraison ou la taille d’un entrepôt n’est pas un exercice académique mais un impératif de survie économique. L’analyste en RO devient l’architecte de la performance, capable de réduire les coûts, d’améliorer la qualité de service et de fiabiliser les chaînes de production. Ces compétences sont immédiatement monnayables auprès des industries extractives, des entreprises de distribution, des opérateurs de télécommunication et des administrations publiques.

Chapitre I. Fondements Mathématiques et Outils de Modélisation

I.1 Socle de l’Optimisation : Probabilités et Algèbre Linéaire

Au cœur de toute décision optimisée se trouve un langage mathématique précis. Ce segment réactive les prérequis essentiels en probabilités discrètes et continues, indispensables pour quantifier l’incertitude, ainsi qu’en algèbre linéaire, qui fournit le cadre pour la manipulation de systèmes à multiples variables. La maîtrise des espaces vectoriels, des opérations matricielles et des lois de probabilité fondamentales constitue la première étape non négociable. Elle arme le futur analyste de la grammaire nécessaire pour traduire un problème de gestion concret en un modèle mathématique exploitable et rigoureux.

I.2 Mécanismes de la Programmation Linéaire : L’Algorithme du Simplexe

Formalisée par George Dantzig, la programmation linéaire offre une méthode puissante pour allouer des ressources limitées. Ce sous-chapitre dissèque le mécanisme central de l’algorithme du simplexe, non pas comme une formule abstraite, mais comme un processus itératif de recherche de la meilleure solution possible. L’étudiant apprendra à construire la forme standard d’un problème, à identifier une solution de base réalisable et à naviguer de sommet en sommet sur le polyèdre des contraintes. C’est l’acquisition d’un outil de résolution systématique et universel.

I.3 Limites et Dualité : Le Choc avec la Réalité

Sous l’angle de la complexité, le modèle de la programmation linéaire révèle ses failles. Il suppose une information parfaite et des relations strictement linéaires, des conditions rarement réunies sur le terrain. Cette section explore de manière critique ces limitations et introduit le concept fondamental de la dualité. Comprendre le problème dual permet non seulement de valider l’optimalité d’une solution, mais aussi d’interpréter économiquement la valeur marginale de chaque ressource (les “prix fantômes”). C’est une porte d’entrée vers une analyse de sensibilité robuste et une prise de décision éclairée.

I.4 Mise en Situation : Modéliser un Plan de Production pour une PME de Kinshasa

Face aux défis d’approvisionnement en matières premières, une savonnerie locale doit arbitrer sa production entre plusieurs types de savons pour maximiser son profit. Cet exercice pratique impose de traduire ce problème managérial en un programme linéaire concret. Les étudiants devront formuler la fonction objectif (le profit total) et les contraintes (disponibilité des intrants, temps machine, demande du marché). La résolution, même via un outil simple, démontre l’impact direct de la modélisation sur la rentabilité et la résilience d’une entreprise opérant en contexte africain.

Chapitre II. Optimisation Stochastique des Stocks et Équipements

II.1 Concepts Fondamentaux : Coûts de Possession, Coûts de Pénurie

La gestion de stock est un arbitrage permanent entre des forces économiques opposées. Ce sous-chapitre pose les définitions ontologiques qui structurent cet arbitrage : le coût de possession, qui inclut le stockage, l’assurance et l’obsolescence, et le coût de rupture, qui représente la perte de ventes et de crédibilité. La distinction entre demande déterministe et demande stochastique est ici cruciale. Elle conditionne l’ensemble des stratégies de gestion et force le gestionnaire à quantifier l’incertitude pour mieux la maîtriser, transformant le stock d’un passif dormant en un actif stratégique.

II.2 Modèles et Outils : Du Modèle de Wilson à la Gestion Stochastique

Le modèle de Wilson (EOQ), par sa simplicité, constitue le point d’entrée historique pour déterminer la quantité économique à commander. Nous dépassons rapidement ses hypothèses restrictives pour aborder les modèles stochastiques, bien plus pertinents pour les marchés africains. L’étudiant apprendra à calculer le stock de sécurité et le point de commande en fonction d’un niveau de service cible, en utilisant des lois de probabilité pour modéliser la demande et les délais de livraison. L’objectif est de passer d’une gestion réactive à une gestion prédictive.

II.3 Analyse Critique : La Vulnérabilité des Modèles face aux Chocs d’Approvisionnement

Confrontés à la réalité des chaînes logistiques en Afrique subsaharienne, les modèles classiques montrent leurs limites. Ruptures de routes, délais douaniers imprévisibles, volatilité des fournisseurs : ces facteurs non stationnaires invalident les hypothèses de nombreuses formules. Cette section analyse de manière critique la fragilité des modèles basés sur des moyennes stables. Elle introduit des approches de résilience, comme la diversification des fournisseurs ou les stratégies de stock de contingence, qui privilégient la robustesse du système à son optimisation théorique dans un monde parfait.

II.4 Application : Gestion des Médicaments Essentiels dans un Centre de Santé à Mbuji-Mayi

Un centre de santé isolé doit gérer son stock de médicaments vitaux avec un budget limité et des livraisons irrégulières. L’enjeu est de minimiser les ruptures de stock tout en évitant le gaspillage par péremption. Les étudiants devront appliquer les modèles stochastiques pour définir des niveaux de stock de sécurité et des points de commande adaptés à ce contexte de forte incertitude. Le cas pratique forcera à intégrer des contraintes non-financières, comme l’impact sanitaire d’une rupture, dans la fonction de coût globale du modèle.

Chapitre III. Modélisation par les Graphes et Ordonnancement de Projets

III.1 Fondements de la Théorie des Graphes : Sommets, Arêtes et Chemins

D’origine topologique, la théorie des graphes offre un langage universel pour décrire des réseaux de toute nature. Ce segment établit le vocabulaire fondamental : sommets (entités), arêtes (relations), graphes orientés et non orientés, pondération, chemins et cycles. La maîtrise de ces concepts est la condition sine qua non pour modéliser une vaste gamme de problèmes, allant de la logistique des transports à l’organisation de tâches complexes. Il s’agit d’apprendre à voir le monde non comme une collection d’objets isolés, mais comme un système de relations interconnectées.

III.2 Algorithmes de Parcours et d’Ordonnancement : Dijkstra, PERT et CPM

Sous l’angle de l’efficacité, la recherche du chemin optimal est un problème central. Ce sous-chapitre présente les outils algorithmiques pour le résoudre, notamment l’algorithme de Dijkstra pour le plus court chemin dans un graphe pondéré. Il s’étend ensuite aux méthodes d’ordonnancement de projets comme PERT et CPM, qui utilisent les graphes pour planifier, coordonner et identifier le chemin critique d’un ensemble de tâches interdépendantes. L’étudiant acquiert ici une compétence de planification rigoureuse, essentielle pour tout chef de projet ou planificateur de production.

III.3 Limites Computationnelles : Le Mur des Problèmes NP-Complets

La puissance des graphes se heurte à un mur : la complexité computationnelle. Des problèmes en apparence simples, comme le problème du voyageur de commerce, deviennent rapidement insolubles par des méthodes exactes dès que la taille du réseau augmente. Cette section introduit la distinction fondamentale entre les problèmes de classe P et NP. Elle explique pourquoi, pour de nombreux problèmes concrets, l’analyste en RO doit abandonner la quête de la solution optimale parfaite et se tourner vers des méthodes approchées, les heuristiques, pour trouver de “bonnes” solutions en un temps raisonnable.

I.4 Application : Optimisation des Tournées de Collecte des Déchets à Lubumbashi

Face à l’expansion urbaine, la gestion des tournées de collecte des déchets devient un casse-tête logistique et financier. Les étudiants devront modéliser le réseau de points de collecte de la ville comme un graphe. En utilisant des algorithmes de plus court chemin et des heuristiques inspirées du voyageur de commerce, ils proposeront des itinéraires optimisés. L’objectif est de minimiser la distance totale parcourue et la consommation de carburant, démontrant un impact direct sur le budget municipal et la salubrité publique, avec des outils accessibles.

Chapitre IV. Analyse et Ingénierie des Files d’Attente

IV.1 Concepts de la Théorie des Files d’Attente : Processus d’Arrivée et de Service

Toute situation où la demande excède temporairement la capacité de service génère une file d’attente. Ce segment introduit la grammaire de ce phénomène via la notation de Kendall (A/B/c/K/N/D), qui permet de classifier n’importe quel système d’attente. L’accent est mis sur la modélisation des processus d’arrivée (souvent via un processus de Poisson) et des temps de service (souvent via une loi exponentielle). Comprendre ces distributions statistiques est la clé pour analyser et prédire le comportement dynamique d’un système, de la caisse d’un supermarché au trafic sur un réseau mobile.

IV.2 Outils de Mesure et Modèles M/M/1 : La Loi de Little et les Indicateurs de Performance

La loi de Little, d’une élégante simplicité, établit une relation fondamentale entre la longueur moyenne d’une file, le taux d’arrivée et le temps moyen passé dans le système. Ce sous-chapitre l’utilise comme point d’ancrage pour analyser le modèle de base M/M/1 (un seul serveur, arrivées et services exponentiels). L’étudiant apprendra à calculer les indicateurs de performance clés : taux d’utilisation du serveur, temps d’attente moyen, nombre de clients dans le système. C’est l’acquisition d’un tableau de bord pour diagnostiquer l’efficacité de tout service.

IV.3 Critique des Hypothèses et Psychologie de l’Attente

Le modèle mathématique ne dit pas tout. La perception de l’attente par le client est souvent plus importante que sa durée réelle. Cette section critique les limites d’une approche purement quantitative en introduisant les dimensions psychologiques : une attente inoccupée paraît plus longue, une attente injuste est intolérable. On y discute des stratégies qui ne réduisent pas le temps d’attente mais améliorent l’expérience client, comme l’information en temps réel ou la gestion des priorités. L’ingénieur doit aussi être un ergonome du service.

IV.4 Application : Réduction du Temps d’Attente dans une Agence de Mobile Money à Goma

Les longues files d’attente devant les agences de transfert d’argent sont un problème majeur, source de frustration et de pertes économiques. Les étudiants sont chargés d’analyser une agence type. En mesurant les flux d’arrivée et les temps de service, ils modéliseront le système (probablement un M/M/c). Leur mission est de proposer des solutions concrètes et frugales : faut-il ajouter un guichet, spécialiser un agent pour les opérations rapides, ou simplement améliorer la signalétique pour fluidifier le flux ? La simulation permettra de comparer les scénarios.

ANNEXES

A. Le Solveur Microsoft Excel

Outil universellement accessible, le Solveur Excel est la porte d’entrée de l’optimisation pour le gestionnaire de flux logistiques. Cette annexe détaille, pas à pas, la méthode pour traduire un problème de programmation linéaire (comme l’optimisation d’un plan de production ou d’un mélange) dans l’interface du Solveur. Elle montre comment définir la cellule objectif, les variables de décision et les contraintes. Sa maîtrise permet de résoudre des problèmes de taille modeste sans nécessiter de compétences en programmation, offrant un retour sur investissement immédiat pour toute PME.

B. La Librairie PuLP pour Python

Pour l’analyste en recherche opérationnelle confronté à des problèmes plus vastes, le passage à un langage de programmation est inévitable. Cette annexe présente PuLP, une librairie Python open-source et intuitive pour la modélisation de problèmes d’optimisation linéaire et entière. Elle guide l’utilisateur dans la syntaxe de déclaration des variables, de la fonction objectif et des contraintes, puis dans le lancement de la résolution. Cet outil gratuit et puissant permet d’automatiser et de scaler les analyses, rendant possible l’optimisation de réseaux logistiques complexes ou de plans de production à grande échelle.

C. Logiciels de Simulation de Flux Discrets (JaamSim)

Lorsque les interactions sont trop complexes pour une analyse mathématique directe, la simulation s’impose. Cette annexe introduit le principe des logiciels de simulation à événements discrets, en prenant l’exemple de JaamSim (une alternative open-source à Arena). Elle explique comment un planificateur de production peut modéliser un atelier ou un centre de services en créant des entités (clients, produits), des serveurs (guichets, machines) et des files d’attente. En exécutant le modèle, il peut tester des hypothèses, identifier les goulots d’étranglement et valider une nouvelle organisation avant d’investir.

Lire aussi :

Cours de Stage professionnel, master-2, SCD2241

Cours de Lutte intégrée contre les ravageurs, master-1, LIR2121

Cours de Méthodes d'Inventaire de la Biodiversité, master-1, MIB2121

Cours de E-commerce, master-1, ECO2111

Cours de Techniques et structures, master-1, TST2121

Cours de Physiologie agroenvironnementale des plantes, master-2, PAP2231